通过观察健康数据随时间的变化，人工智能可以帮助识别患者身体向疾病发展的"临界点"。这是发表在《智能医学》(Intelligent Medicine)期刊上的一篇社论中的观点。
研究人员描述了多种可用于发现这些临界点的AI工具。其中一种是动态网络生物标志物（DNB）理论，该理论认为当生物系统接近关键转变时，某些网络模块会变得高度可变和相互关联，作为早期预警信号。研究人员指出，DNB分析已经确定了流感感染的前疾病状态，并且还识别了基因组临界点，即在肿瘤进展过程中细胞从良性转变为恶性状态的转折点。
作者还强调了诸如网络信息增益等指标的有效性，这些指标已被用于识别糖尿病患者向胰岛素抵抗的转变。他们还包括动态网络建模和时序图神经网络，如时序图变换器（Temporal gRAph traNSformer），作为预测心力衰竭等病症的成功模型。
作者警告称，尽管医疗AI已经取得了进展，但由于数据异质性和不完整性导致模型偏差，仍需谨慎对待。虽然这些模型善于识别统计关联，但如果不结合医学知识和实验验证，它们无法可靠地确定因果关系。作者建议，应将基于AI/机器学习的医疗设备纳入与通用数据保护条例（General Data Protection Regulation）和美国食品药品监督管理局（Food and Drug Administration）指南相一致的严格监管框架中。
作者表示："总之，基于动力学的医疗大数据挖掘预示着范式转变，通过及时、可操作的见解增强人类专业知识。尽管当前方法在识别时间模式和相关性方面表现出色，但未来的发展必须结合因果推断和医学知识，以确保临床可靠性，并区分真正的疾病驱动因素与虚假关联。"
【全文结束】
